Какие утверждения о таксономии ИИ-технологий соответствуют истине? (Выберите все правильные.)

Решение:

В данном задании требуется выбрать утверждения, которые соответствуют истине относительно таксономии ИИ-технологий. Проанализируем каждое утверждение:

• A) Компьютерное зрение и обработка естественного языка — это не конкурирующие архитектуры, а разные предметные области, которые могут использовать одни и те же методы машинного обучения. — Это утверждение верно. Компьютерное зрение и обработка естественного языка (NLP) являются различными областями применения ИИ, но часто используют схожие алгоритмы машинного обучения, такие как нейронные сети.
• B) Генеративный ИИ — принципиально иной тип по сравнению с аналитическим (дискриминативным): он не классифицирует готовые данные, а синтезирует новые. — Это утверждение верно. Аналитический (дискриминативный) ИИ фокусируется на классификации, прогнозировании или принятии решений на основе существующих данных, тогда как генеративный ИИ создает новый контент (текст, изображения, музыку).
• C) Глубокое обучение полностью вытеснило классическое машинное обучение — традиционные алгоритмы (деревья решений, случайный лес) больше не используются в промышленных системах. — Это утверждение неверно. Глубокое обучение достигло значительных успехов, но классические алгоритмы машинного обучения по-прежнему широко используются в промышленных системах, особенно когда данные ограничены или требуется интерпретируемость.
• D) Рекомендательные системы и предиктивная аналитика относятся к аналитическому ИИ — они оптимизируют и прогнозируют, но не создают принципиально новый контент. — Это утверждение верно. Рекомендательные системы и предиктивная аналитика используют существующие данные для прогнозирования и предоставления рекомендаций, а не для создания совершенно нового контента.
• E) LLM являются частным случаем генеративного ИИ, работающим в области обработки естественного языка, тогда как диффузионные модели — это генеративный ИИ в области компьютерного зрения. — Это утверждение верно. Большие языковые модели (LLM) являются примером генеративного ИИ для NLP, а диффузионные модели широко используются для генерации изображений в компьютерном зрении.
• F) Обучение с подкреплением — это отдельный подход, при котором ИИ учится методом проб и ошибок, максимизируя вознаграждение, а не обучается на размеченных данных. — Это утверждение верно. Обучение с подкреплением (Reinforcement Learning) действительно основывается на получении вознаграждения за действия, а не на предопределенных размеченных данных, в отличие от обучения с учителем.

Выбранные утверждения: A, B, D, E, F.